变速器故障发生前期信号比较微弱，特征亦不显著，并且很容易淹没在工作时的强噪声背景中，这使得经典的基于信号分析的故障诊断方法不能有效的提取故障信息。同时，多类故障的高维性与复杂性也是常规信号分析故障诊断方法面临的一大难题。因此，智能故障诊断方法的研究工作的开展有着极其重要的意义。本文介绍了流形学习全局和局部算法的两种代表算法，分析了局部线性嵌入算法的优缺点。流形算法是无监督学习，不能充分利用样本标签信息，所以以流形学习中的局部嵌入算法为基础，结合线性判别分析的监督性，提出了一种新的非线性降维方法局部线性判别嵌入算法，并将算法与K近邻分类器相结合，通过经典数据集验证了该算法的有效性。利用传动试验台进行变速器的齿轮故障试验，分别采集齿轮正常、齿轮点蚀和剥落三种状态下的振动信号进行研究。通过对以上信号的时域频域分析，选取最能反映故障信息的特征指标来作为所提出方法的输入值，从而实现变速器的故障模式分类。将原始算法和本文所提出的改进方法应用于变速器故障诊断，试验结果表明所提出的局部线性判别嵌入方法较无监督方法有着更有效更稳定的性能，并成功应用到变速器的故障模式分类。采用美国西储大学的电机轴承故障数据，对内圈、外圈、滚动体故障做了时频域分析，分析出滚动体故障诊断的困难，采用局部线性嵌入和局部线性判别嵌入分类对故障进行检测，并且对四种模式进行了分类识别，验证了局部线性判别嵌入分类方法在轴承故障诊断中的有效性。